从预测到精确:可解释的人工智能驱动的洞察力,用于马的治疗
Bekir Cetintav1, Ahmet Yalcin2
1Department of Biostatistics, Veterinary Faculty, Burdur Mehmet Akif Ersoy University, 15030 Burdur Merkez, Turkey.
Animals : an open access journal from MDPI
|January 25, 2025
概括
机器学习模型准确地预测了患有的马的生存率. 可解释AI (XAI) 识别了脉冲率和病变类型等关键因素,从而实现了个性化的兽医治疗策略,以获得更好的结果.
科学领域:
- 兽医医学 兽医医学 兽医医学
- 机器学习 机器学习
- 人工智能的人工智能
背景情况:
- 结肠是马匹的主要死亡原因,需要迅速和准确的干预.
- 预测模型用于马的生存率仍然是改善患者治疗结果的关键领域.
研究的目的:
- 开发和验证机器学习模型,用于预测被诊断为结肠的马的存活率.
- 利用可解释的人工智能 (XAI) 识别生存的关键预测因素,并为临床决策提供可解释的见解.
主要方法:
- 来自马病例的临床,程序和诊断数据被用于训练和评估机器学习模型,包括Random Forest和XGBoost.
- 应用了沙普利增量解释 (SHAP) 来解释模型预测,提供了全球和本地特征的重要性.
主要成果:
- 随机森林和XGBoost模型显示出高预测性能,F1得分分别为85.9%和86.1%.
- 生存的关键预测因素包括脉冲率,病变类型和总蛋白质水平.
- SHAP分析提供了对影响个体马匹生存概率的因素的可解释的见解.
结论:
- 机器学习和XAI的整合提供了一个强大的方法来预测马匹的生存率.
- 可解释的人工智能促进了个性化治疗策略,提高了精确的兽医药,并改善了结肠的马的结果.
